在今年 CES 這屆全球科技春晚上，AI 成了重頭戲。

單看智駕領域，又在上演新的算力、端到端、生成式 AI 等技術神話。

如果站在 L2+這個節點往回看，技術主義的確突破了瓶頸期，讓智駕成為一件確定的事。

但如果看向未來，單靠技術主義還不能回答好「完全無人駕駛」這個時代命題。

今天智駕每上一個臺階，規?；⒂纳虡I阻力就加倍增長。所以陷入技術狂歡的市場，終歸需要一種理性主義的聲音來拆解問題。

Mobileye 擔任了這個角色，其創始人 Amnon Shashua 教授在今年 CES 的演講中，指出了評判自動駕駛模型的兩大維度：

• 一是精確率，也指代安全性，關乎 MTBF（平均故障間隔時間），相當于接管率。

• 二是召回率，也指可用性，關乎智駕設定運行條件、地域可擴展性、成本三大指標。

簡單來說，要實現完全無人駕駛，這個智駕系統一邊需要保證低接管率，一邊需要支持低成本、大范圍地快速落地。

在這個坐標軸內的兩側，一邊是因激光雷達等昂貴傳感硬件及高精地圖導致成本高企，進而追求精確度但暫舍召回率；另一邊則是追求高召回率但精確度尚未達到脫眼級別的技術路線。

按照 Mobileye 的發展軌跡，基于其復合人工智能系統，已經延展出了 SuperVision（可脫手）、Chauffeur（可脫眼）、Drive（無人駕駛）的高階智駕方案，在 Mobileye 的方法論下，這是一個能夠持續遞進，并成功打開最終章節的過程。

Mobileye 自然具備話語權，這家擁有 20 余年的經驗，積累了大量的「know-how」的智駕供應商，從基礎 ADAS 到 L2 直至 L5，從芯片、感知硬件到軟硬一體，憑借涵蓋各級智駕應用的解決方案始終活躍于市場。

截至 2024 年三季度末，全球范圍內搭載 Mobileye 技術的車輛來到了 1.9 億。

如果把產品、技術、商業光環聚集一體，Mobileye 其實找不到相同維度對壘的對手，它在一個新圖層內。

正如這幾年 Shashua 教授延續的演講主題：「Mobileye: Now. Next. Beyond.」。

Mobileye 一直在超越自我，目標是到達完全無人駕駛的最終形態，而這個過程中，它的解題思路有別于多數玩家，這可能是一種更為立體、辯證、理性的聲音。

01、「唯端到端論」忽視了什么？

行業對于端到端技術路徑的注解，大多都指向了自動駕駛最終章。

但這不意味著，只靠端到端，就能解決完全無人駕駛這個終極命題。

現在再回顧一遍端到端的定義：

通過 AI 大模型，打通感知、預測、規劃、控制全流程，輸入數據就可以得到最終結果。

這種數據驅動的方式，站在了規則驅動的對立面。系統如何應對極端情況，不再是通過工程師手動敲代碼，而是 AI 系統通過觀察、判斷、總結，學會類人駕駛行為。

技術理論可行，但落地存在不少 Bug。

因為學習需要正確干預，如果完全靠自我領悟，那難免會犯一些原則性錯誤。

一個形象案例是，系統是否可以辨別「罕見但正確」與「常見但錯誤」。比如大量視頻數據中，人類司機超速、壓線、加塞插隊甚至闖紅燈的不文明駕駛行為。

答案是否定的。Mobileye 表示，系統會從概率角度評判，偏向于選擇錯誤答案。

另外一點是，僅靠無監督數據訓練，端到端方案的準確率可以從 0 快速推進到 95%，但無法達到 100%。

因為系統會犯很多匪夷所思的毛病，比如不會總結公式、不會應對罕見的長尾問題等。

但這不是在做題，而是在駕駛汽車，95% 的準確率不足以承擔起安全風險。

于是規則干預成為了一道必要的安全閥。

Mobileye 在復合人工智能系統中，給端到端系統注入了抽象概念，即提供行為規范守則。

比如 RSS（責任敏感安全）模型，它的本質是一套數學模型，即將人類安全駕駛理念，比如規范變道、與前車保持安全距離、避免發生事故等，轉化為數學公式與計算方法，然后對系統決策結果進行審查，結果安全才可以執行。

值得一提的是，Mobileye 在注入抽象概念時強調了「適量」，即如何讓 AI 系統正確地理解豐富的物理世界，站在機器學習的角度，需要找到一個「偏差-方差」的權衡點，簡單概括下：

• 偏差指過度干預，相當于規則輸入太多了使得系統混亂容易出錯；

• 方差則是干預得不夠，一些極端情況沒有被囊括進來，同樣會產生安全風險。

Mobileye 這種嚴謹的思維模式在智駕系統上貫穿始終，它一直嘗試從科學、全面的角度剖析自動駕駛背后盤根錯節的復雜性。

這點在 Mobileye 獨創的 PGF（Primary-Guardian-Fallback）高階融合模型上也能體現。

對于 Mobileye 而言，端到端留下的可解釋性問題并非無解，它選擇建立一個可分解系統，在錯誤出現時可以直達「病癥」部位。

具體而言，利用所有傳感器對系統進行可分解訓練，構建出三個子系統：

• 「Primary」主系統：用于預測

• 「Fallback」備用系統：基于不同方法就同一情形做預測

• 「Guardian」監護系統：使用第三種方法來驗證 Primary 主系統的預測是否正確，如正確則按此執行；否則采用 Fallback 備用系統的預測結果。

這種方式適用于非二元情況，即子系統之間并沒有出現「少數服從多數」的情況時，需要有子系統跳出來，代表更高層級擔任審查角色。

具體應用場景為，三個系統各司其職，比如系統判斷前方應該左轉、右轉還是直行時，若主系統選擇直行，監護系統判斷其正確則直行，若不正確則采用備用系統的選擇。

相當于在系統決策基礎上增加了一個「把關人」，并且準備好了「Plan B」，即當 3 個系統中有 2 個同時出現故障時，才會導致整個系統失效。由此通過協同作業方式，總體誤差可以降至最低。

02、高 TOPS 不是唯一的解法

智駕領域有一條定律名為 Scaling Law，指模型性能會隨著數據集規模、模型參數量和計算能力的增加而不斷提升。

由此，它指引了多數玩家都按照大算力、大參數、大數據的方向前行。

但 Scaling Law 的背面，是推理成本也在隨著模型規模呈指數級增長，這并不利于商業落地。

尤其是算力，端到端大浪拍過來，對于算力的需求一下子來到了千卡、萬卡數量級，這是一個巨大的成本投入。

并且這個成本，并不一定與價值對等。

百度集團副總裁侯震宇曾直言，當使用超過 1000 張、5000 張、10000 張卡時，單一任務跑集群會有大量故障。

許多供應商能搭建 2000、3000 張卡的集群，但能跑起來就很困難，跑不起來就是資源浪費。

行業對于算力的大力崇拜，讓一些問題隱藏在深水區。

一是用 TOPS 作為算力計算指標的局限性。

TOPS 即每秒萬億次操作，當下被視為衡量算力的常見指標，尤其是對于智駕芯片而言，已經從上百卷到了上千 TOPS。

但由于 TOPS 僅關注運算次數，并不區分邏輯運算、浮點運算等計算類型，其實并不能體現芯片在特定計算類型上的能力。

并且運算次數的統計方式，忽視了運算的精度，將復雜運算與簡單運算按次數劃等號。

Mobileye 做了個形象比喻，TOPS 就像通過員工人數來衡量公司質量一樣，并不能代表什么。

這種單一的衡量維度，在反應芯片實際性能上存在偏差。

對此，Mobileye 提出了一個新指標——FPS（Frames per second），即每秒能處理的畫面幀數。

這是一個更貼合自動駕駛領域的指標，因為自動駕駛在訓練大模型時就是在投喂海量的視頻圖像數據，而 FPS 正體現了芯片處理圖像、視頻幀的速度，同時，畫面處理速度流暢，也間接反映了芯片系統的整體協同能力。

二是高效才是芯片性能的直觀體現。

高算力并不是高效運算的唯一解法，與其花費大成本拉高算力，不如直接從結果回溯，思考如何高效利用算力。

尤其在數據處理過程中，各類傳感器輸入的海量數據源源不斷，從感知層到決策層的數據處理呈指數級增長，關鍵在于如何快速消化這些數據。

Mobileye 提出了「合理分工」的解題思路，其在芯片設計上采用了完全異構的計算架構。

這種架構的優勢在于調度資源，對于卷積網絡、Transformer 等不同計算場景，分配對應的運算任務，進而提升整體運算效率。

可以理解為，在芯片上建立了一座高效運轉的數字工廠，調度系統會按照生產計劃和訂單要求安排分工與協作任務。

由于可以動態分配，這套異構計算架構也能帶來低功耗、可擴展性強、降低維護成本的優勢。

典型案例是 Mobileye EyeQ 系列芯片，EyeQ5H 的算力為 16TOPS，最大功耗僅為 27 瓦，目前已在極氪 001 和 009、極星 4、沃爾沃等車型上落地。

從實際表現上看，兩顆 EyeQ5H 支持的 SuperVision 方案，算力 32TOPS，已經能夠支持 L2+級智駕，與其它搭載 500TOPS，甚至 1000TOPS 的智駕方案水平對齊。

并且，相較于高 TOPS 下產生的上百瓦功耗，兩顆 EyeQ5H 芯片產生的功耗僅有 54 瓦。

而 Mobileye 在此基礎上升級的 EyeQ6H 芯片能力再度進階，單顆算力為 34TOPS，相比 EyeQ5H 提升了約 2 倍，而 FPS 卻飆升了 10 倍。

與此同時，功耗僅比 EyeQ5H 增加了 25%。

這意味著，它能夠處理更復雜的視覺處理任務，支撐更高階的智駕能力。

目前，EyeQ6H 已經應用于 SuperVision、Chauffeur 以及 Drive 高階智駕方案，相當于支持 L2+、L3，甚至 L4 級智駕，預期今年即將開始量產。

值得一提的是，Mobileye 并未停下腳步，其更具競爭力的芯片——EyeQ7H 已經在開發中，其制程僅為 5nm，算力為 67TOPS，最大功耗僅為 60 瓦，預計在 2027 年開始量產。

03、自動駕駛是一個商業命題

回歸到安全性與可用性的坐標系中，可以看到，圍繞著復合智能人工系統這張核心底牌，Mobileye 通過嚴謹的數學計算將智駕系統誤差降至最小，從而支持自動駕駛邁向「可脫手」、「可脫眼」甚至無人化階段。

與此同時，Mobileye 也在積極思考另一個核心命題，即技術如何從一個 Demo 版本走向大規模落地。

它沒有忽略任何一個關鍵因素，包括成本、地域可擴展性、系統運行條件等，這種周密式考量貫穿了 Mobileye 軟硬一體式的產品組合。

一個重要案例是 EyeQ 系列芯片，兼具低成本與高性能的優勢，能夠快速上車高階智駕方案。

另一個是成像雷達，相比傳統雷達它具備更精準的物理探測能力與高分辨率，可以在復雜場景中識別出各類障礙物，除了常規的人、自行車等，還能識別到橋下的靜止車輛。

并且，它具備長距離探測能力，可以探測到 240 米內的可能性危險，即便是在車輛高速行駛狀態下，也不會影響到探測精度。

這種探測能力可以獨立于攝像頭、激光雷達，基于「真正冗余」的架構，成像雷達在其它傳感器失效時，依然可以單獨扛起感知任務，保證智駕系統的可靠性。

成像雷達的設計其實是為高階智駕方案的過渡、落地搭建了一座梯子。

這里面包含了「模塊化」的巧思。

所謂模塊化，是指智駕系統像是「搭積木」一般，從系統中提取一些模塊就可以構建一套低成本的智駕方案，若是想要走向更高階智駕層級，只需要增加積木，比如加上額外的成像雷達。

顯然，這種方式相比「把積木推倒重來」要更為快捷方便，并且不用耗費太大成本。

當然，Mobileye 對于無人化落地的另一層信心其實也來源于工程化經驗。

除了 ADAS 方案合作了比亞迪、奇瑞、長城、大眾、福特等國內外多款車型，高階智駕方案也已經拿下多個定點。

比如搭載 EyeQ5H 的 SuperVision 方案已經在極氪、極星部分車型上落地，最新數據是，搭載了 SuperVision 方案的極氪 001、極氪 009 車型數量來到了 24 萬臺。

而更新到 EyeQ6H 的 SuperVision 方案也與保時捷、奧迪、賓利、蘭博基尼旗下 17 款車型達成定點合作。

值得一提的是，這些豪華品牌的部分車型也選擇了更高階的 Chauffeur 方案，支持可脫手、脫眼的高階智駕。

以及在 L4 領域，大眾、Schaeffler、Benteler、Verne 等汽車集團也與 Mobileye 在 Drive 平臺上共同開發無人駕駛出租車。

而說到 Mobileye 于全球范圍內廣泛的客戶群體和部署經驗，以及在安全合規方面的突出優勢，對于中國車企全球化出海的進程，也能夠發揮獨特的助力優勢。

在 CES 演講結尾，Amnon Shashua 教授表示，按照規劃，至 2027 年，Mobileye 將通過 Chauffeur、Drive 方案，為實現自動駕駛革命鋪平道路。

對于 Mobileye 而言，這是一個充滿確定性的任務。

作為自動駕駛供應商，Mobileye 一向具備很強的目標導向思維，它將從技術到商業上的每一個戰略要點思考得非常清晰，并重視戰略確定后的每一次精準執行。

返回第一電動網首頁 >